Machine Learning Engineer

Kompetenzziele

• Arten von Machine-Learning-Algorithmen und ihre Einsatzbereiche unterscheiden
• Daten aus SQL-Datenbanken extrahieren und für das Modelltraining vorbereiten
• Modelle mit Python trainieren und mit scikit-learn, pandas und NumPy auf Genauigkeit prüfen
• Prognose- und Klassifikationsmodelle auf reale Szenarien übertragen
• Modellqualität in datengetriebenen Vorhaben bewerten
• Modellergebnisse in Power-BI-Reports und Dashboards darstellen

Themen und Zusammenhänge

Grundlage sind die zentralen Verfahren und Begriffe des Machine Learning sowie die Rolle Künstlicher Intelligenz in der Datenanalyse. Im Kern des Machine Learning Engineering steht die Datenvorbereitung: Extraktion aus SQL-Datenbanken, Bereinigung und Aufbereitung für das Training. Mit Python, scikit-learn, pandas und NumPy werden Modelle trainiert, ihre Genauigkeit gemessen und Verfahren verglichen.

Die Modellanwendung überträgt trainierte Modelle auf datengetriebene Szenarien wie Prognosen und Datenklassifikation, mit Bezug zu Business Intelligence. Power BI dient der Gestaltung von Reports und Dashboards, die Modellergebnisse für datenbasierte Entscheidungen nutzbar machen. Im Abschlussprojekt wird ein Machine-Learning-Vorhaben in der Rolle des ML Engineer eigenständig umgesetzt und Modellentwicklung mit Datenauswertung zusammengeführt.

Berufliche Perspektiven

Einsatzfelder ergeben sich in Entwicklungs- und KI-Abteilungen, die Modelle für Prognosen und Klassifikationen entwickeln und in Unternehmensprozesse einbringen.

• Machine Learning Engineer bzw. ML Engineer für Modelltraining und Modellanwendung
• KI-Ingenieur:in bzw. AI Engineer mit Schwerpunkt klassisches Machine Learning
• Data Scientist mit Fokus auf Modellentwicklung und Modellbewertung
• Softwareentwickler:in für Machine-Learning-Komponenten